EfficientPose：可扩展的单人姿态估计
计算机视觉与模式识别
2021-04-12 v2 机器学习
图像与视频处理
摘要
单人人体姿态估计有助于在体育以及临床应用中进行无标记运动分析。然而，最先进的人体姿态估计模型通常无法满足实际应用的需求。深度学习技术的泛滥已导致许多先进方法的提出。但是，随着该领域的进展，也出现了更复杂且低效的模型，这造成了计算需求的急剧增长。为应对这些复杂性与低效性挑战，我们提出了一种称为 EfficientPose 的新型卷积神经网络架构，其利用近期提出的 EfficientNets 以实现高效且可扩展的单人姿态估计。EfficientPose 是一系列模型，其利用有效的多尺度特征提取器以及使用移动倒置瓶颈卷积的计算高效检测模块，同时确保在姿态配置精度上仍有所提升。由于其低复杂度和高效性，EfficientPose 通过限制内存占用和计算成本，实现了边缘设备上的实时应用。我们使用具有挑战性的 MPII 单人基准进行的实验结果表明，所提出的 EfficientPose 模型在准确率和计算效率方面均大幅优于广泛使用的 OpenPose 模型。特别是，我们性能最佳的模型以低复杂度 ConvNets 在单人 MPII 上达到了最先进的准确率。
引用
@article{arxiv.2004.12186,
title = {EfficientPose: Scalable single-person pose estimation},
author = {Daniel Groos and Heri Ramampiaro and Espen A. F. Ihlen},
journal= {arXiv preprint arXiv:2004.12186},
year = {2021}
}
备注
Published in Applied Intelligence Journal (APIN)